Cam Myers, CEO og grundlægger af CreateMe – Intervieuserie

Cam Myers, CEO og grundlægger af CreateMe, lancerede virksomheden i 2019 med en vision om at modernisere tøjproduktion gennem avanceret automation. Med base i San Francisco Bay Area har han en divers baggrund, der spænder over investeringsrådgivning hos ADM Investment Partnership, tidlige ledelsesroller på grundlæggerholdet af Group Commerce og forretningsudviklingsroller hos Downtown Music Holdings og Publicis Groupe (PU4.DE ). Han er også medlem af World Economic Forums Global Innovators Community, hvilket afspejler hans bredere engagement i teknologi-dreven industrielle forvandling.

CreateMe er et AI-robotikfirma, der genopfinder, hvordan tøj bliver lavet, ved at erstatte traditionel syning med automatiseret, lim-baseret samling drevet af robotter, computer vision og maskinlæring. Dets proprietære produktionsplatform muliggør hurtigere, mere lokal og mere bæredygtig tøjproduktion, hvilket reducerer affald og forkorter forsyningskæder, samtidig med at virksomheden placerer sig i fremhævespositionen for næste generations bløde varer.

Før du grundlagde CreateMe, var du en del af grundlæggerhold, arbejdede i investerings- og rådgivningsroller og havde stillinger i virksomheder som DoubleClick og Group Commerce. Hvordan formede den blanding af teknologi, finans og driftserfaring din beslutning om at starte CreateMe og tage fat på noget så komplekst som automatiseret tøjproduktion?

Før CreateMe, kom jeg op som en teknologi-generalist, der arbejdede på tværs af software, e-handel, investeringer og tidlige driftsroller. At være en del af startup-hold, herunder Group Commerce, var en på-job-uddannelse. Du er tvunget til at tænke på tværs af fagområder og se, hvordan teknologi, økonomi og drift i virkeligheden interagerer under reelle begrænsninger.

Denne perspektiv førte mig til en anden konklusion om tøj. Gennem e-handelsstartups så jeg igen og igen de samme fejl gentage sig: lavt salg, tung rabattering og store mængder af lager, der til sidst blev skrevet af eller sendt til losseplads. De fleste mennesker ramte disse som merchandising- eller prognoseproblemer. Når man ser på det gennem en teknologisk linse, var det klart, at de var symptomer på noget dybere – produktionssystemer, der ikke kunne reagere på reel efterspørgsel.

Indsigt kom fra at forbinde disse punkter på tværs af fagområder. Tøj var ikke brudt, fordi nogen enkelt del af systemet var dårligt kørt. Vi gik til, at dette ikke var noget, man kunne justere eller optimere; det krævede en ren tavle, første-principper-genopførelse af materialer, maskiner og software som ét system.

CreateMe kom ud af denne overbevisning. Dette var fundamentalt et teknologiproblem, og det krævede en teknologisk løsning. At være interdisciplinær var det, der gjorde det synligt fra starten, og det er hvorfor CreateMe’s tilgang ser anderledes ud. Vi satte os for at behandle tøjproduktion som et system- og automationsproblem og bygge en platform, der var i stand til at ændre, hvordan industrien i virkeligheden fungerer.

CreateMe har nu en betydelig portefølje af patenter på tværs af robotteknologi, materialsvidenskab og automation. Hvad var de tidligste tekniske indsighter, der overbeviste dig om, at dette problem var løseligt med Fysisk AI?

Da vi grundlagde CreateMe i 2019, troede vi, at der endelig var en troværdig vej til at automatisere tøjproduktion, men kun hvis processen selv blev genopfundet. Stof er et deformerbart, tilstandsafhængigt materiale. Det strækker sig, skifter og ændrer adfærd, mens det håndteres. Små variationer kompenserer hurtigt. Under disse betingelser bryder åben-løkke-kontrol og forprogrammeret bevægelse sammen. Problemet var ikke robotpræcision. Det var at forstå materialetilstand godt nok til at handle på det.

Vores første rigtige fremgang kom fra at ændre samlingmodellen. Ved at erstatte kontinuerlig syning med lim-baseret bonding kunne vi samle beklædning i en statisk, fastgjort tilstand i stedet for, mens stoffet var i bevægelse. Det fjernede en stor kilde til variation og gjorde det muligt for alignment og joining at blive kontrolleret direkte. Kombineret med traditionel maskinvision, ML-baseret computer vision, regelbaseret logik og robotteknologi gjorde dette pålidelig automation mulig for en defineret sæt af operationer. Det beviste noget vigtigt tidligt: Deformerbare materialer kunne håndteres mekanisk, hvis processen var struktureret korrekt.

Disse tidlige systemer gjorde også grænserne klare. Traditionel regelbaseret maskinvision fungerer godt, når geometrien er simpel og betingelserne er tæt konstruerede. De skalerer ikke til de hardeste problemer i tøj, især komplekse tre-dimensionale joining, hvor stofform, orientering og kontakt udvikler sig kontinuerligt i rummet. End-to-end-automation af disse operationer var ikke opnåelig med de perception- og modelleringsværktøjer, der var til rådighed på det tidspunkt.

Det er her, Fysisk AI begynder at ændre ligningen. Fremgang i perception, sansning og inkarneret intelligens gør det muligt at forstå deformerbare materialer i tre dimensioner og lukke løkken mellem at se, beslutte og handle. Vi er stadig i de tidlige innings af at anvende disse modeller til fysisk samling, men selv tidlige implementeringer udvider allerede rækken af beklædning, stof og komplekse 3D-joining-operationer, der kan automatiseres. I stedet for at skrive adfærd kan systemet øget reasonere om materialetilstand, tilpasse sig i realtid og udføre joining-operationer end-to-end. Hver limet operation genererer data om, hvordan et tekstilmateriale reagerer på kraft, varme og geometri, hvilket tillader ydelse at forbedre og generalisere gennem brug.

I kort, vores tidlige værktøj beviste mulighed. Fysisk AI er, hvad der låser fuldstændighed og skala op. Denne progression fra skriptet automation til end-to-end intelligent samling er, hvad overbeviste os om, at dette problem ikke kun var løseligt, men også udvideligt på tværs af beklædning og materialer. Bredtheden af vores patentportefølje afspejler denne vej. At løse deformerbart-materiale-samling krævede opfindelse på tværs af robotteknologi, materialsvidenskab og automation, med Fysisk AI åbner op for de mest komplekse former for joining.

Tøjproduktion har længe modstået fuld automation på grund af kompleksiteten af bløde varer. Hvad var gennembruddene, der tillod CreateMe at krydse denne tærskel?

For CreateMe har overgangen af automationstærsklen været drevet af to relaterede skift: hvordan beklædning fysisk samles, og hvordan maskiner opfatter og handler på stof under denne samling.

Det første gennembrud var arkitektonisk. Ved at gå fra syning til lim-baseret bonding eliminerede vi behovet for at få adgang til begge sider af stoffet under samling. Beklædning kan bygges ved hjælp af enkelt-sideadgang, i en statisk, fastgjort tilstand, i stedet for at blive foldet, vendt og spændt gennem en symaskine. Det reducerede manipulationens kompleksitet og fjernede en stor kilde til variation. Med stof understøttet og tilgængeligt fra én side blev alignment og joining kontrollerbare problemer, og traditionel maskinvision og robotteknologi kunne pålideligt automatisere en betydelig del af beklædningskonstruktion.

Det er fundamentalt mere automatiserbar end robot-syning. Syning forsøger at replikere menneskelig fingerfærdighed i kontinuerlig bevægelse, mens stof er aktivt deformt. Lim-baseret samling omdefinerer problemet omkring kontrolleret positionering og diskrete joins, hvilket er langt bedre egnet til robotteknologi.

Denne tilgang klargjorde også den resterende udfordring. Da vi gik ind i mere komplekse tre-dimensionale joining – hvor overflader mødes ved ændrende vinkler og materialeadfærd skifter, mens kontakt bliver lavet – nåede regelbaserede og traditionelle maskinvision-baserede tilgange deres grænser. End-to-end-automation på tværs af den fulde variabilitet af beklædning og tekstiler krævede mere adaptiv perception og kontrol.

Det er her, Fysisk AI spiller en kritisk rolle. Fremgang i perception, sansning og inkarneret kontrol gør det muligt at fortolke stofgeometri og materialetilstand i tre dimensioner og svare i realtid under samling. Hos CreateMe udvider selv tidlige anvendelser af disse kapaciteter allerede rækken af beklædning, stof og komplekse 3D-joining-operationer, der kan automatiseres med minimal indgriben.

I kort, process-omdesign – lim-baseret samling, enkelt-sideadgang og statisk samling – gjorde automation mulig. Fysisk AI er, hvad der muliggør, at denne automation kan bevæge sig mod end-to-end-drift og skala på tværs af realverdens variabilitet, hvilket tillader tøjproduktion at bevæge sig ud over snæver automation og mod systemer, der forbedrer, mens kompleksiteten øges.

MeRA introducerer en modulær, robotisk samlingstilgang til beklædningsproduktion. Hvordan adskiller denne system sig fundamentalt fra traditionel fabriksautomation?

MeRA adskiller sig fundamentalt fra traditionel fabriksautomation, fordi den blev designet omkring de specifikke begrænsninger for tøjproduktion, i stedet for at være tilpasset fra industrier bygget på stive dele og stabile processer.

Konventionel automation antager fast geometri, forudsigelige materialer og begrænset variabilitet. Omstilling håndteres gennem værktøjsintensive, mekanisk begrænsede opsætninger og process-specifikke fastgørelser. Denne model fungerer, når produkter sjældent ændrer sig. Den bryder sammen i tøj, hvor materialer er deformerbare, stilarter skifter hurtigt, og produktion skal køre med høj hastighed for at være økonomisk bæredygtig.

MeRA starter fra de modsatte antagelser. Tøj kræver et system, der kan håndtere bløde materialer, konstant variation og hyppig omstilling uden at stoppe produktionen. For at gøre det bruger MeRA en modulær, software-defineret samlingarkitektur. Hver modul udfører en diskret operation og kan konfigureres om, duplikeres eller genbruges, når produkter, stof eller volumener ændrer sig. Omstilling sker digitalt, i software, i stedet for gennem fysisk omstilling.

Arkitektonisk er MeRA designet til at maksimere både hastighed og kontrol. Samling holdes i to dimensioner så længe som muligt, hvor vision, alignment og bevægelse er hurtigst og mest præcise, før overgang til tæt kontrollerede tre-dimensionale operationer kun, når forming eller joining kræver det. Traditionel automation skyder dele gennem faste 3D-arbejdsrum; MeRA minimiserer 3D-kompleksitet ved design for at bevare gennemstrømning.

I par med digital lim-baseret bonding erstatter MeRA mekanisk begrænsede joining med en programmerbar, enkelt-sided operation. Der er ingen behov for at vende beklædning, håndtere kontinuerlig spænding eller få adgang til begge sider midt i processen. Det reducerer cyklustid, sænker fejlratere og muliggør hurtig digital omstilling på tværs af beklædning og tekstiler.

I kort, traditionel automation hårdkoder processen i hardware. MeRA definerer processen i software og tilpasser den til materialet. Det skift fra fysisk omstilling til digital omstilling og fra faste arbejdsgange til modulær samling er, hvad der tillader MeRA at fungere med den hastighed og variabilitet, tøj kræver.

Pixel erstatter syning med mikro-lim-baseret bonding. Ud over hastighed og effektivitet, hvilke nye design- eller ydelsesmuligheder låser dette op for tøjmærker?

Pixel genopfinder beklædningskonstruktion ved sømmen. Ved at erstatte syning med digitalt kontrolleret mikro-lim-baseret bonding giver mærkerne en langt større præcision og konsistens, hvilket resulterer i beklædning, der er glattere, stærkere og mere komfortabel at bære. Fordi processen er software-defineret, bliver sømme en designsurface i stedet for en begrænsning, hvilket tillader stræk, fugtstyring, termoregulering og letforstærkning at blive indbygget direkte i beklædningsstrukturen.

Disse fordele udvides ud over, hvordan en beklædning fungerer på kroppen. Den samme digitale kontrol, der muliggør ydelse, tillader også, at beklædning kan designs til genbrug fra starten. Med vores Thermo(re)set-limformulering kan bindinger omgøres, hvilket muliggør automatiseret demontering og stort stofrecycling. For mærkerne gør Pixel design, ydelse og cirkularitet integrerede resultater af konstruktion i sig selv, ikke konkurderende prioriteringer lagt på efterfølgende.

Der er meget hype omkring Fysisk AI lige nu. Hvor fungerer Fysisk AI i virkeligheden i dag, og hvor ligger virkeligheden stadig bagud for forventningerne?

Fysisk AI fungerer i dag, når problemer er struktureret for intelligens i stedet for brutalkraft. Vi ser rigtig fremgang i miljøer, hvor perception, læring og kontrol er udrullet sammen inden for ingeniør-systemer – steder, hvor opgaver er gentagne, men stadig kræver tilpasning, og hvor maskinen kan observere og reasonere om, hvad der er vigtigt.

Hvor forventningerne stadig løber foran virkeligheden, er omkring generel, inkarneret intelligens. Bløde, deformerbare materialer forbliver et af de hårdeste problemer i robotteknologi, fordi de introducerer partielt observerbarhed, ikke-lineær adfærd og konstant variation. Fysisk AI er ikke en drop-in-erstatning for menneskelig fingerfærdighed, og den lykkes ikke i kaotiske eller arvede miljøer som standard.

I praksis kommer forskellen ned til design. Fysisk AI fungerer, når den fysiske proces er blevet bevidst genopfundet for at reducere usikkerhed – når adgang er simplificeret, tilstande er observerbare og variation er håndteret af arkitektur i stedet for ignoreret. Under disse betingelser kan læringssystemer tilpasse sig og forbedre. Uden det kompenserer AI ofte bare for dårlig fysisk design.

Det er den linse, vi anvender hos CreateMe. Vi behandler ikke Fysisk AI som en genvej rundt om produktionens kompleksitet. Vi behandler det som et skala-lag, der kun fungerer, når det underliggende samlingssystem er blevet genopfundet fra bunden. Lektien, vi har lært, er simpel: Fysisk AI skaler, når den fysiske verden er blevet ingeniøret til at lade intelligens udføre rigtigt arbejde.

Med told, geopolitisk risiko og forsyningskæde-sårbarhed, der bliver strukturelle problemer, hvordan ændrer teknologier som MeRA tøjproduktionsøkonomien i USA?

For CreateMe har overgangen af automationstærsklen været drevet af to relaterede skift: hvordan beklædning fysisk samles, og hvordan maskiner opfatter og handler på stof under denne samling.

Det første gennembrud var arkitektonisk. Ved at gå fra syning til lim-baseret bonding eliminerede vi behovet for at få adgang til begge sider af stoffet under samling. Beklædning kan bygges ved hjælp af enkelt-sideadgang, i en statisk, fastgjort tilstand, i stedet for at blive foldet, vendt og spændt gennem en symaskine. Det reducerede manipulationens kompleksitet og fjernede en stor kilde til variation. Med stof understøttet og tilgængeligt fra én side blev alignment og joining kontrollerbare problemer, og traditionel maskinvision og robotteknologi kunne pålideligt automatisere en betydelig del af beklædningskonstruktion.

Det er fundamentalt mere automatiserbar end robot-syning. Syning forsøger at replikere menneskelig fingerfærdighed i kontinuerlig bevægelse, mens stof er aktivt deformt. Lim-baseret samling omdefinerer problemet omkring kontrolleret positionering og diskrete joins, hvilket er langt bedre egnet til robotteknologi.

Denne tilgang klargjorde også den resterende udfordring. Da vi gik ind i mere komplekse tre-dimensionale joining – hvor overflader mødes ved ændrende vinkler og materialeadfærd skifter, mens kontakt bliver lavet – nåede regelbaserede og traditionelle maskinvision-baserede tilgange deres grænser. End-to-end-automation på tværs af den fulde variabilitet af beklædning og tekstiler krævede mere adaptiv perception og kontrol.

Det er her, Fysisk AI spiller en kritisk rolle. Fremgang i perception, sansning og inkarneret kontrol gør det muligt at fortolke stofgeometri og materialetilstand i tre dimensioner og svare i realtid under samling. Hos CreateMe udvider selv tidlige anvendelser af disse kapaciteter allerede rækken af beklædning, stof og komplekse 3D-joining-operationer, der kan automatiseres med minimal indgriben.

I kort, process-omdesign – lim-baseret samling, enkelt-sideadgang og statisk samling – gjorde automation mulig. Fysisk AI er, hvad der muliggør, at denne automation kan bevæge sig mod end-to-end-drift og skala på tværs af realverdens variabilitet, hvilket tillader tøjproduktion at bevæge sig ud over snæver automation og mod systemer, der forbedrer, mens kompleksiteten øges.

Hvordan bør tøjmærker tænke anderledes om produkt-design, når produktionens begrænsninger ikke længere er de samme som i traditionelle cut-and-sew-miljøer?

Traditionel tøjdesign afspejler den herskende logik i cut-and-sew-produktion: to-sidede adgang, nåleindtrængen, sømmeafstande større end menneskelige hænder, og konstruktionsmetoder optimeret til manuel gentagelse. Disse er ikke indrekræfter for beklædning; de er artefakter af, hvordan beklædning er blevet lavet.

Automatiseret, lim-baseret samling introducerer en anden designlogik. Design til automation betyder at antage enkelt-sideadgang, digitalt kontrolleret lim-deposition og høj gentagelseshastighed. Det muliggør mindre interne sømmeafstande, mere præcise limlinjer og lavere profil-samlinger, der er både strukturelt solide og æstetisk renere end syede ekvivalenter.

Fordi lim er deponeret i stedet for syet, kan designere arbejde med komplekse og uregelmæssige kanter, flydende geometrier og stofomvandlinger eller lamineringer, der ville være svære eller umulige at reproducere med syning. Visuel kompleksitet behøver ikke længere at blive understøttet af fysisk bulk. Resultatet er et mere minimalistisk, raffineret konstruktions-sprog, der er naturligt for automation i stedet for tilpasset fra håndarbejde.

Denne tilgang udvider også materiale-friheden. I modsætning til sømmebånd, der typisk er højtemperatur og primært begrænset til syntetiske materialer, tillader deponeret lim automation på tværs af et bredt udvalg af stof, herunder organiske og ømtålige materialer som cashmere, silke, uld og læder. Materialevalg skifter fra “hvad kan syes pålideligt” til “hvad bedst tjener produktet”.

I denne kontekst er design til automation ikke begrænsende; det er generativt. Kreativ intention, æstetisk udtryk og produktion logik er aligneret fra starten. Design bliver både mere præcist og mere udtryksfuldt, mens automation håndterer konsistens og udførelse, mens designere fokuserer på form, funktion og differentiering.

Hvad ser den menneskelige rolle ud i en højautomatiseret tøjfabrik, og hvilke nye færdigheder bliver kritiske, når robotter overtager gentagne opgaver?

I en højautomatiseret tøjfabrik skifter den menneskelige rolle fra gentagen manuel udførelse til drift, overvågning og forbedring af automatiserede samlingssystemer end-to-end. I stedet for lange sy-linjer er mindre hold organiseret omkring robot-celler, med produktionsteknikere, celle-chefer og process-specialister ansvarlige for ydelse, kvalitet og drift på tværs af hele produktionsflowet.

Produktionsteknikere arbejder hånd i hånd med robotter, visionsystemer og lim-baseret bonding-udstyr. De overvåger robot-celler, justerer dispense-veje og lim-parametre, håndterer materiale-interaktioner på tværs af forskellige stof og griber ind, når variation eller edge-cases opstår. Kvalitetskontrol er kontinuerlig i stedet for prøvebaseret: visionsystemer inspicerer placering, alignment og lim-konsistens i realtid, mens mennesker overvåger grænseværdier, fortolker anomalier og beslutter, hvornår og hvordan at justere processen.

Dette model leverer materiel højere kvalitet og gentagelse end manuel produktion. Automatiseret deposition og placering reducerer variation, mens digital kvalitetskontrol tillader konsistent udførelse på tværs af hver enhed i stedet for at stole på efterfølgende inspektion. Menneskelig dømmekraft anvendes, hvor det tilføjer mest værdi – evaluering af undtagelser, finjustering af tolerancer og forbedring af system-ydelse over tid.

At realisere dette kræver en bevidst trænings- og kompetenceudviklingsmodel integreret direkte i produktionen. Arbejdere trænes til at læse produktionspaneler, fortolke vision- og sensor-data, forstå lim-kvalitetsmetrikker og samarbejde sikkert med robot-systemer. De lærer, hvordan lim-adfærd, materialeegenskaber og procesparametre interagerer, og hvordan disse variabler viser sig i kvalitetsdata.

Over tid udvikler sig kompetenceudvikling fra grundlæggende systemdrift til dybere proces-ejerskab. Gennem struktureret på-arbejds-træning, certificeringsmoduler og mentorering udvikler teknikere færdigheder i rod-årsags-analyse, forebyggende vedligeholdelse og kontinuerlig forbedring. Resultatet er en teknisk kompetent arbejdsstyrke, der kan opretholde høj kvalitet og gentagelse i stor skala – en, hvor automation hæver både produkt-konsistens og menneskelig kapacitet i stedet for at erstatte det.

Set fem til ti år frem, hvordan ser du Fysisk AI omformere ikke kun tøj, men produktion mere bredt – og hvor vil du have CreateMe skal have den største indvirkning?

Vores synspunkt er, at den største mulighed for Fysisk AI i produktion over de næste fem til ti år ligger i opgaver med den højeste variabilitet og kompleksitet, ikke i områder, der allerede er godt betjent af rigid automation. Blandt de hårdeste problemer er, hvor materialer er bløde, fleksible eller tre-dimensionale, og hvor realverdens variabilitet historisk har begrænset automation.

Denne udfordring er mest akut i blødt-materiale-samling. Tøj er det klareste eksempel, men samme dynamik findes i forbruger-elektronik med fleksible komponenter, i medicinske produkter, i møbler og i bil-interiører. På tværs af disse kategorier står syning og bløde-varer-samling for den højeste arbejdskapacitet og forbliver de mindst automatiserede dele af produktionen.

Fra vores perspektiv vil tidlig fremgang i Fysisk AI blive drevet af højtyvertede systemer. Mekanisk design og robot-formfaktorer vil blive tilpasset specifikke anvendelser og materialer i stedet for generaliserede inkarnationer. Det, der skalerer på tværs af disse vertikaler, er ikke hardware, men intelligensen: perception, kontrol og læringssystemer, der muliggør maskiner at forstå deformerbare materialer, aligne komplekse kanter, tilpasse sig variation og udføre lim-baseret samling pålideligt.

Over de næste 10 år og derefter tror vi, at mere generelle og humanoid-inkarnerede robotter vil blive mere og mere almindelige, mens inkarneret intelligens modnes og udrulning accelererer. Da humanoid-robotter bevæger sig fra pilotprojekter til millioner og potentielt ti millioner af enheder over de næste ti år, vil tekstil-baserede exo-skins og bløde ydre lag blive kritiske menneske-maskine-grænseflader. At møde denne efterspørgsel i stor skala vil kræve lim-baseret, automation-tilpasning, åbning af en ny industrikategori i intelligent blødt-materiale-fabrikation.

Dette er konteksten, hvor CreateMe’s vision sidder.

CreateMe’s vision er at lede transformationen af blødt-materiale-samling. At gøre den automatiserede samling af tekstiler og fleksible materialer lige så programmerbar, skalerbar og adaptiv som software. Mens mekaniske og robotiske implementeringer vil variere med vertikaler i kort sigt, forbliver den grundlæggende udfordring konstant: Blødt-materiale-håndtering og syning dominerer arbejdskapacitet og modstår traditionel automation.

Hvad der forener disse markeder, er en fælles Fysisk AI-kapacitets-sæt – systemerne, der styrer perception, deformerbart-materiale-manipulation, kant-alignment, lim-logik og adaptiv samling på tværs af stof og formfaktorer. Ved at bevise denne kapacitet i tøj, et af de mest krævende produktionsmiljøer, sigter CreateMe mod at låse automation op på tværs af et langt bredere sæt af industrier og muliggøre både næste generations bløde-varer-produktion og de bløde grænseflader, der vil omgive intelligente maskiner i stigende grad. Tak for det gode interview og dine detaljerede svar, læsere, der ønsker at lære mere, skal besøge CreateMe.